CN106019254A - 一种uwb冲击生物雷达多人体目标距离向分离辨识方法 - Google Patents

Abstract

本发明公开了一种UWB冲击生物雷达多人体目标距离向分离辨识方法，基于目标自身呼吸信号相关性高而不同目标之间呼吸信号相关性低的特点，在快时间方向上对不同距离的点信号分别求取相关系数，利用计算得到的相关系数谱图并结合一定的信号预处理来实现多个人体目标距离向分离辨识；该方法有效提高了生物雷达对多目标在距离向上的分离辨识性能，减少了漏判，为随机分布的多目标探测和二维定位提供了更加准确的一维距离向目标位置信息；对我国多目标生物雷达探测定位性能的提升，我国生物雷达技术水平迈向国际先进行列具有重要意义。

Description

一种UWB冲击生物雷达多人体目标距离向分离辨识方法

技术领域

本发明涉及一种UWB冲击生物雷达多人体目标距离向分离辨识方法。

背景技术

生物雷达是一种以生命体为探测目标的新型雷达，它以雷达发射的电磁波为载波，通过检测生命体的呼吸、心跳等微弱生命体征引起的回波参数变化实现生命体目标的非接触、远距离探测识别。与声学、光学、红外等非接触生命探测技术相比，生物雷达具有非接触、可穿透、目标无需穿戴任何电极和传感器等优点，因此可广泛应用于灾害被埋人员搜救、反恐斗争中隔墙监控及战场侦察等领域。

现有的超宽谱(Ultra Wideband，UWB)生物雷达已经实现了限定站位条件下(如目标之间在雷达探测的径向上错开1米、方位角上需错开20度)少数几个人体目标(小于等于3个)的穿墙探测定位，而在对随机分布的多个目标进行探测和定位时容易造成目标漏判。这影响了现有多目标探测定位技术的有效性。

要提高多目标识别定位的准确性，降低漏判率，首先就需要提高生物雷达单通道对多个人体目标的距离向分离辨识的准确度。在单通道对多目标距离向分离辨识方面目前主要存在两个问题：一是距离向上两个目标相距很近时，近端目标由于遮蔽等原因容易对另一目标产生干扰，造成距离向上无法对两个目标有效分离，形成目标漏判；二是距离向上两个目标较远时，由于衰减效应远端目标信号微弱，容易被背景淹没而无法提取识别。

发明内容

针对上述现有技术中存在的问题或缺陷，本发明的目的在于，提供一种UWB冲击生物雷达多人体目标距离向分离辨识方法。

为了实现上述目的，本发明采用如下技术方案：

一种UWB冲击生物雷达多人体目标距离向分离辨识方法，包括以下步骤：

步骤一，UWB冲击生物雷达的发射天线发射雷达脉冲，雷达脉冲被人体目标反射，再通过UWB冲击生物雷达的接收天线接收到被人体目标反射后的雷达脉冲，即雷达回波信号r(n,m)；

步骤二，对步骤一得到的雷达回波信号r(n,m)进行基于道信号的平滑滤波，得到处理后的信号x(n,m)；

步骤三,对信号x(n,m)进行基于点信号的平滑滤波，得到处理后的信号y(n,m)；

步骤四，对信号y(n,m)进行去除慢漂移操作，得到信号k(n,m)，对信号k(n,m)进行去除静态杂波操作，得到信号s(n,m)；

步骤五，对信号s(n,m)进行基于点信号的高频干扰去除，得到信号W＝(w₁,w₂,...,w_i...,w_M)，w_i为点信号向量；

步骤六，计算各点信号w_i(i＝1,2,...,M)之间的相关系数r_pq；

步骤七，将相关系数r_pq组成二维矩阵，并画出相关系数谱图r(x,y)；对相关系数谱图r(x,y)进行去背景处理和目标膨胀处理，得到处理后的相关系数谱图P^*(x,y)，根据相关系数谱图P^*(x,y)分离辨识出不同人体目标。

具体地，所述步骤一中进行雷达脉冲的发射和接收时，建立人体目标呼吸信号探测数学模型：

d(t)＝d₀+g(t)＝d₀+Δ_bg_n(t)

其中，g(t)表示人体目标胸腔表面有规律的位移，Δ_b表示呼吸幅度，g_n(t)表示归一化后的g(t)，d₀表示UWB冲击生物雷达与人体目标间的固定距离；

UWB冲击生物雷达接受到雷达回波信号表示为雷达在该通道的脉冲响应总和，即：

$r(t,\mathrm{\τ})=\underset{i}{\Σ}{A}_{i}p(\mathrm{\τ}-{\mathrm{\τ}}_i)+Ap(\mathrm{\τ}-{\mathrm{\τ}}_d(t\left)\right)$

其中，A_i表示探测环境中固定物体引起的脉冲幅度，A表示人体目标呼吸所引起的脉冲幅度，i表示快时间采样序数，p(t)是归一化后由接收天线接收的脉冲函数，t和τ分别表示慢时间与快时间，A_ip(τ-τ_i)表示背景成分，Ap(τ-τ_d(t))表示人体目标呼吸成分，τ_d(t)代表由呼吸引起的人体目标与雷达间距离在快时间方向上的变化；

τ_d(t)由以下公式表示：

${\mathrm{\τ}}_d\left(t\right)=\frac{d\left(t\right)}{c}=\frac{d_0+{\mathrm{\Δ}}_b{g}_n\left(t\right)}{c}={\mathrm{\τ}}_0+{\mathrm{\τ}}_b{g}_n\left(t\right)$

其中，c代表光速，τ_b是呼吸运动在快时间方向上的位移，τ₀＝d₀/c；

雷达回波信号r(n,m)由以下公式表示：

$r(n,m)=\underset{i}{\Σ}{A}_{i}p({\mathrm{mT}}_f-{\mathrm{\τ}}_i)+Ap({\mathrm{mT}}_f-{\mathrm{\τ}}_d({\mathrm{nT}}_s\left)\right)$

其中，n为点信号的序数，m为道信号的序数，T_s为连续两个脉冲波形间的时间间隔，T_f为沿快时间方向的采样间隔。

具体地，所述步骤二中的对步骤一得到的雷达回波信号进行基于道信号的平滑滤波，得到处理后的信号x(n,m)，其中，基于道信号的平滑滤波采用以下公式：

$x(n,m)=\frac{1}{M_{ss}}\underset{i=m}{\overset{m+M_{ss}-1}{\Σ}}r(n,i)$

其中，M_ss为滤波器阶数，n为点信号的序数，m为道信号的序数。

具体地，所述步骤三中的对信号x(n,m)进行基于点信号的平滑滤波，得到处理后的信号y(n,m)，其中，基于点信号的平滑滤波采用以下公式：

$y(n,m)=\frac{1}{N_{fs}}\underset{i=n}{\overset{n+N_{fs}-1}{\Σ}}x(i,m)$

其中，N_fs为滤波器阶数。

具体地，所述步骤四中的对信号y(n,m)进行去除慢漂移操作，得到信号k(n,m)，其中，去除慢漂移操作采用以下公式：

$k(n,m)=y(n,m)-\frac{1}{N_w}\underset{i=n}{\overset{n+N_w-1}{\Σ}}y(i,m)$

其中，N_w表示窗宽。

具体地，所述步骤四中的对信号k(n,m)进行去除静态杂波操作，得到信号s(n,m)，其中，去除静态杂波采用以下公式：

$s(n,m)=k(n,m)-\frac{1}{N-N_w+1}\underset{i=1}{\overset{N-N_w+1}{\Σ}}k(i,m)$

其中，N表示点信号的长度。

具体地，所述步骤五中的对信号s(n,m)在慢时间方向上进行高频干扰去除，得到信号W＝(w₁,w₂,...,w_i...,w_M)，具体包括以下步骤：

$u(n,m)=\underset{k=0}{\overset{159}{\Σ}}{h}_k\·s\[(n+k),m\]$

其中，h_k为数字滤波器的系数；

信号u(n,m)由矩阵W表示，即：

W＝(w₁,w₂,...,w_i...,w_M)

其中，w_i＝u(n,i)…(i＝1,2,...,M)是点信号向量，M为点信号向量的个数。

具体地，所述步骤七中的对相关系数谱图r(x,y)进行去背景处理和目标膨胀处理，得到处理后的相关系数谱图P^*(x,y)，具体包括以下步骤：

对相关系数谱图r(x,y)进行去背景处理，即：设定阈值，若相关系数谱图r(x,y)中的某个相关系数值小于阈值，则将该值置为零，保留大于阈值的相关系数值，得到去背景处理后的二维谱图P(x,y)；

对二维谱图P(x,y)中的点P(i,j)采用滑窗矩阵A进行遍历，即：

$P^{*}(x,y)=\frac{1}{H}\underset{y\≤j\≤y+3}{\underset{x\≤i\≤x+3}{\mathrm{\Σ}}}P(i,j),(1\≤x\≤M-3,1\≤y\≤M-3)$

其中，H为P(i,j)(x≤i≤x-3,y≤j≤y-3)中大于阈值的值的个数，M为点信号向量的个数。

与现有技术相比，本发明具有以下技术效果：

本发明基于目标自身呼吸信号相关性高而不同目标之间呼吸信号相关性低的特点，在快时间方向上对不同距离的点信号分别求取相关系数，利用计算得到的相关系数谱图并结合一定的信号预处理来实现多个人体目标距离向分离辨识；该方法有效提高了生物雷达对多目标在距离向上的分离辨识性能，减少了漏判，为随机分布的多目标探测和二维定位提供了更加准确的一维距离向目标位置信息；对我国多目标生物雷达探测定位性能的提升，我国生物雷达技术水平迈向国际先进行列具有重要意义。

下面结合附图和具体实施方式对本发明的方法做进一步详细地解释和说明。

附图说明

图1是本发明的方法流程图；

图2是雷达采集的二维信号；

图3是雷达所采集的二维信号中选取的某一道信号和某一点信号；

图4是人体目标呼吸信号探测数学模型建立示意图；

图5是呼吸引起的人体目标与雷达间距离在快时间方向上的变化；

图6是雷达原始信号和预处理各阶段得到的信号；

图7是实施例1结果图；其中，(a)是预处理后的信号，(b)是距离向能量谱信号，(c)是相关系数谱图，(d)是去背景并膨胀处理后的相关系数谱图；

图8是实施例2结果图；中，(a)是预处理后的信号，(b)是距离向能量谱信号，(c)是相关系数谱图，(d)是去背景并膨胀处理后的相关系数谱图。

具体实施方式

本发明的UWB冲击生物雷达多人体目标距离向分离辨识方法，所采用的UWB冲击生物雷达的具体参数如表1所示，其具有良好的穿透能力和空间分辨率。

UWB冲击生物雷达的天线接受到的雷达回波经过采样、积分和放大后以脉冲波形的方式存储，每一个脉冲波形包括8192个采样点。沿着波形方向的时间轴定义为“快时间”，沿着快时间方向的信号被称为“道信号”，每一个脉冲波形即为一个“道信号”，单位为纳秒(ns)，UWB冲击生物雷达所采集的数据为20ns、40ns、60ns、80ns四种时窗可调，四种时窗分别对应探测距离为3米、6米、9米、12米；连续两个脉冲波形间的时间间隔T_s＝0.0625s，沿这一时间间隔方向的时间轴定义为“慢时间”，沿着慢时间方向的信号被称为“点信号”，单位为秒(s)。“道信号”表示的是雷达窄脉冲自被发射到被接收这一段时间间隔内的波形变化情况，这个时间间隔T_f与距离有关，根据选取的时窗不同，快时间方向的采样间隔最小可以到T_f＝10ps，所以“道信号”包含距离信息。“点信号”表示的是固定距离点的信号随时间的变化情况，是随慢时间缓变的函数。由T_s可知，点信号的采样频率为F_s＝1/T_s＝16Hz，由于正常人体的呼吸频率介于0.2-0.3Hz之间，因此这个采样频率完全符合奈奎斯特(Nyquist)采样定律对呼吸信号的采样要求。图2所示为雷达采集的二维信号图3的(a)、(b)分别为雷达所采集的二维信号中选取的某一道信号和某一点信号。

表1 UWB冲击雷达参数

遵从上述技术方案，参见图1，本发明的UWB冲击生物雷达多人体目标距离向分离辨识方法，包括以下步骤：

步骤一，UWB冲击生物雷达发射雷达脉冲，雷达脉冲被人体目标反射，UWB冲击生物雷达接受到被人体目标反射后的雷达脉冲，即雷达回波信号r(n,m)。

本发明的UWB冲击生物雷达是通过探测人体呼吸信号来对人体进行识别和定位的，因此首先建立人体目标呼吸信号探测数学模型，参见图4，由于人体目标的呼吸运动而导致胸腔有规律的收缩与扩张，因此UWB冲击生物雷达与人体目标间的距离d(t)就会以固定距离d₀为中心，沿时间起伏变化，则得到人体目标呼吸信号探测数学模型为：

d(t)＝d₀+g(t)＝d₀+Δ_bg_n(t) (1)

其中，g(t)表示人体目标胸腔表面有规律的位移，Δ_b表示呼吸幅度，g_n(t)表示归一化后的g(t)。

当雷达开始工作后，发射天线发射雷达脉冲，雷达脉冲被人体目标反射后由接收天线接收，接收到的雷达回波信号可表示为雷达在该通道的脉冲响应总和，即：

$r(t,\mathrm{\τ})=\underset{i}{\Σ}{A}_{i}p(\mathrm{\τ}-{\mathrm{\τ}}_i)+Ap(\mathrm{\τ}-{\mathrm{\τ}}_d(t\left)\right)---\left(2\right)$

其中，A_i表示探测环境中固定物体引起的脉冲幅度，A表示人体目标呼吸所引起的脉冲幅度，i表示快时间采样序数，p(t)是归一化后由接收天线接收的脉冲函数，t和τ分别表示慢时间与快时间，A_ip(τ-τ_i)表示背景成分，Ap(τ-τ_d(t))表示人体目标呼吸成分，τ_d(t)代表由呼吸引起的人体目标与雷达间距离在快时间方向上的变化，如图5所示，τ_d(t)可以表示为：

${\mathrm{\τ}}_d\left(t\right)=\frac{d\left(t\right)}{c}=\frac{d_0+{\mathrm{\Δ}}_b{g}_n\left(t\right)}{c}={\mathrm{\τ}}_0+{\mathrm{\τ}}_b{g}_n\left(t\right)---\left(3\right)$

其中，c代表光速，τ_b是呼吸运动在快时间方向上的位移，τ₀＝d₀/c。

目标呼吸运动示意图如图5所示。系统沿慢时间方向在每个离散时刻t＝nT_s(n＝1,2,...,N)采样一次脉冲波形，而沿快时间方向在各离散时刻对每个脉冲波形上的各点进行采样。采样后的数值存储为一个(N×M)二维数组R，数组R中的元素用r(n,m)表示：

$r(n,m)=\underset{i}{\Σ}{A}_{i}p({\mathrm{mT}}_f-{\mathrm{\τ}}_i)+Ap({\mathrm{mT}}_f-{\mathrm{\τ}}_d({\mathrm{nT}}_s\left)\right)---\left(4\right)$

信号r(n,m)为一个二维信号，其中n为点信号(慢时间方向)的序数，m为道信号(快时间方向)的序数。

步骤二，对步骤一得到的雷达回波信号进行基于道信号(快时间方向)的平滑滤波，得到处理后的信号x(n,m)。

基于道信号的平滑滤波的计算公式如下：

$x(n,m)=\frac{1}{M_{ss}}\underset{i=m}{\overset{m+M_{ss}-1}{\Σ}}r(n,i)---\left(5\right)$

其中，M_ss为滤波器阶数，通过对前期大量的实验结果进行研究分析，以提取人体呼吸信号的最优效果为基本原则，综合考虑运算量等因素，确定了最优阶数M_ssop＝85。

经过基于道信号的平滑滤波后能够去除雷达回波信号中沿快时间方向的道信号中的高频干扰。

步骤三，对步骤二得到的信号x(n,m)进行基于点信号(慢时间方向)的平滑滤波，得到处理后的信号y(n,m)。

点信号平滑滤波计算公式如下：

$y(n,m)=\frac{1}{N_{fs}}\underset{i=n}{\overset{n+N_{fs}-1}{\Σ}}x(i,m)---\left(6\right)$

其中，N_fs为滤波器阶数。经过基于点信号的平滑滤波后能够去除雷达回波信号中沿慢时间方向的点信号中的高斯白噪声。

因为高斯白噪声均值为0，所以理论上滤波器阶数越大，去除高斯白噪声的效果越好，但是滤波器的阶数过大会增加数据运算量，另外如果滤波器阶数选择不合理可能会降低呼吸信号能量，不仅不会增加信噪比，反而会使信噪比降低，因此点信号平滑滤波的阶数选择是一个权衡折中的问题。经过实验，我们确定滤波器阶数为N_fs＝32。

步骤四，对步骤三得到的信号y(n,m)进行去除慢漂移操作，得到信号k(n,m)，对信号k(n,m)进行去除静态杂波操作，得到信号s(n,m)。

探测环境中由静止物体反射的回波称为静态杂波，静态杂波影响了生命探测中人体微动信号的提取，因此需要去除。理论上静态杂波的能量是恒定的，可以用慢时间方向上的直流成分来表示，去除这一直流分量就可以去除静态杂波对人体目标信号的干扰。静态杂波干扰去除的处理如下：

$z(n,m)=y(n,m)-\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}y(i,m)---\left(7\right)$

雷达系统的不稳定使得雷达回波信号经常出现慢时间方向上的慢漂移现象，这种慢漂移导致点信号幅度渐进式变化，使得雷达回波中的呼吸信号偏离基线波动，影响目标识别。为了抑制这种慢漂移成分，根据UWB冲击雷达自身特点，本发明采用如下方法进行处理：

$z(n,m)=y(n,m)-\frac{1}{N_w}\underset{i=n}{\overset{n+N_w-1}{\Σ}}y(i,m)---\left(8\right)$

公式(8)中N_w表示窗宽，窗宽决定着慢漂移成分的抑制效果，通过实验确定窗宽N_w＝60。

静态杂波和慢漂移的去除是针对两种不同的干扰而设计的，所以需要确定两个步骤执行的先后顺序以取得最优的干扰抑制效果。我们采用不同顺序对两种干扰进行去除的实验，对实验结果进行分析，以确定最优处理顺序。

假设矩阵A为(N×M)的二维雷达信号，矩阵A中的元素为a(n,m)，采用第一种处理顺序，即首先去除雷达信号中的静态杂波再去除慢漂移。将A带入公式(7)，处理后由矩阵B表示，矩阵B中的元素为b(n,m)：

$b(n,m)=a(n,m)-\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}a(i,m),n=1,2,...,N---\left(9\right)$

再将矩阵B带入公式(8)去除矩阵B中的慢漂移成分，处理后由矩阵C表示，矩阵C中的元素为c(n,m)：

$c(n,m)=b(n,m)-\frac{1}{N_w}\underset{i=n}{\overset{n+N_w-1}{\Σ}}b(i,m),n=1,2,...,N-N_w+1---\left(10\right)$

将公式(9)带入公式(10)可得：

$\begin{array}{c}c(n,m)=a(n,m)-\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}a(i,m)-\frac{1}{N_w}\underset{i=n}{\overset{n+N_w-1}{\Σ}}a(i,m)+\frac{1}{N_w\×N}\underset{i=n}{\overset{n+N_w-1}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}a(j,m)\\ =a(i,m)-\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}a(i,m)-\frac{1}{N_w}\underset{i=n}{\overset{n+N_w-1}{\Σ}}a(i,m)+\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}a(j,m)\\ =a(n,m)-\frac{1}{N_w}\underset{i=n}{\overset{n+N_w-1}{\Σ}}a(i,m),n=1,2,...,N-N_w+1\end{array}---\left(11\right)$

由公式(11)可以看出，按照先去除静态杂波再去除慢漂移成分的步骤处理数据，在第二步去除慢漂移成分的同时又给信号引入了新静态杂波，从而将第一步的处理效果抵消了，相当于只进行了慢漂移成分去除处理。

利用第二种处理顺序，即先去除慢漂移成分再去除静态杂波的顺序处理雷达信号，首先将矩阵A带入公式(8)，处理后由矩阵C表示：

$c(n,m)=a(n,m)-\frac{1}{N_w}\underset{i=n}{\overset{n+N_w-1}{\Σ}}a(i,m),n=1,2,...,N-N_w+1---\left(12\right)$

再将矩阵C带入公式(7)，结果由矩阵B表示：

$b(n,m)=c(n,m)-\frac{1}{N-N_w+1}\underset{i=1}{\overset{N-N_w+1}{\Σ}}c(i,m),n=1,2,...,N-N_w+1---\left(13\right)$

将公式(12)带入公式(13)可得：

$\begin{array}{c}b(n,m)=\[a(n,m)-\frac{1}{N_w}\underset{i=n}{\overset{n+N_w-1}{\Σ}}a(i,m)\]-\frac{1}{N-N_w+1}\underset{i=1}{\overset{N-N_w+1}{\Σ}}\[a(i,m)-\frac{1}{N_w}\underset{j=i}{\overset{i+N_w-1}{\Σ}}a(j,m)\]\\ =a(n,m)-\frac{1}{N_w}\underset{i=n}{\overset{n+N_w-1}{\Σ}}a(i,m)-\frac{1}{N-N_w+1}\underset{i=1}{\overset{N-N_w+1}{\Σ}}a(i,m)+\frac{1}{(N-N_w+1)\×N_w}\underset{i=1}{\overset{N-N_w+1}{\Σ}}\underset{j=i}{\overset{i+N_w-1}{\Σ}}a(j,m)\\ =\[a(n,m)-\frac{1}{N-N_w+1}\underset{i=1}{\overset{N-N_w+1}{\Σ}}a(i,m)\]-\frac{1}{N_w}\[\underset{i=n}{\overset{n+N_w-1}{\Σ}}a(i,m)-\frac{1}{N-N_w+1}\underset{i=1}{\overset{N-N_w+1}{\Σ}}\underset{j=i}{\overset{i+N_w-1}{\Σ}}a(j,m)\end{array}---\left(14\right)$

公式(14)中n＝1,2,...,N-N_w+1。由公式(14)可以看出，按照先去除慢漂移成分再去除静态杂波的顺序处理后，结果可以分为两部分，第一部分为：

$b_1=a(n,m)-\frac{1}{N-N_w+1}\underset{i=1}{\overset{N-N_w+1}{\Σ}}a(i,m)---\left(15\right)$

第二部分为：

$b_2=\underset{i=n}{\overset{n+N_w-1}{\Σ}}a(i,m)-\frac{1}{N-N_w+1}\underset{i=1}{\overset{N-N_w+1}{\Σ}}\underset{j=i}{\overset{i+N_w-1}{\Σ}}a(j,m)---\left(16\right)$

b₁表示雷达回波信号中除去静态杂波的部分，b₂表示慢漂移成分中除去静态杂波的部分。将公式(15)和公式(16)带入公式(14)可得：

$b(n,m)=b_1-\frac{1}{N_w}\×b_2---\left(17\right)$

公式(17)表示在对雷达回波信号和慢漂移成分均去除静态杂波后，再去除慢漂移成分。同时公式(17)也说明了去除慢漂移成分的操作并不完全包含去除静态杂波的操作。这种处理顺序能将去除慢漂移和静态杂波两个步骤有效实现，处理效果优于第一种处理顺序。

综上，本发明的方法采用先去除慢漂移成分再去除静态杂波的顺序处理雷达回波信号，对信号y(n,m)进行去除慢漂移操作如下：

$k(n,m)=y(n,m)-\frac{1}{N_w}\underset{i=n}{\overset{n+N_w-1}{\Σ}}y(i,m)---\left(18\right)$

对信号k(n,m)进行去除静态杂波的操作如下：

$s(n,m)=k(n,m)-\frac{1}{N-N_w+1}\underset{i=1}{\overset{N-N_w+1}{\Σ}}k(i,m)---\left(19\right)$

步骤五：对步骤四得到的信号s(n,m)进行基于点信号(慢时间方向)的高频干扰去除，得到信号W。

无论是去除静态杂波还是去除慢漂移成分，都属于去除低频干扰的措施，也就是说这些处理方法都可视为点信号上的高通滤波。而人体目标的呼吸信号可以被看成一个窄带信号，所以还需要在慢时间方向上进行低通滤波来抑制高频噪声，从而进一步提高信噪比。通过对实际人体目标采用不同阶数、不同截止频率的低通滤波器进行实验，根据探测结果，选择的最优滤波阶数为160阶、截止频率为0.5Hz的海明窗有限冲击响应(FiniteImpulse Response,FIR)数字滤波器在点信号上进行高频干扰去除，此时高频干扰的滤除效果最佳。对步骤四得到的信号s(n,m)进行低通滤波的操作如下，其中h_k为数字滤波器的系数：

$u(n,m)=\underset{k=0}{\overset{159}{\Σ}}{h}_k\·s\[(n+k),m\]---\left(20\right)$

低通滤波后的信号u(n,m)也可以由矩阵W表示，即：

W＝(w₁,w₂,...,w_i...,w_M) (21)

其中w_i＝u(n,i)…(i＝1,2,...,M)是点信号向量，M为点信号向量的个数。

上述步骤二到步骤五为对雷达回波信号的预处理过程，参见图6，图6为单通道UWB冲击雷达在自由空间探测距天线3m远人体目标的原始信号和采用上述各步骤预处理后的信号。其中图6(a)为原始信号，图6(b)为道信号平滑滤波后的信号，图6(c)为去除静态杂波和慢漂移后的信号，图6(d)为点信号高频干扰去除后的信号。经过所有预处理步骤后，在图6(d)中可直接看到人体目标的呼吸运动所引起的有规律信号波动，这些有规律的波动存在于3m以及以后的一段距离内。

步骤六，计算各点信号w_i＝u(n,i) (i＝1,2,...,M)之间的相关系数r_pq，即：

$r_{pq}=\frac{\underset{n=1}{\overset{N}{\Σ}}(u(n,p)-\stackrel{\‾}{u(n,p)})(u(n,q)-\stackrel{\‾}{u(n,q)})}{\sqrt{\underset{n=1}{\overset{N}{\Σ}}{(u(n,p)-\stackrel{\‾}{u(n,p)})}^2}\sqrt{\underset{n=1}{\overset{N}{\Σ}}{(u(n,q)-\stackrel{\‾}{u(n,q)})}^2}}---\left(22\right)$

其中，N为每个点信号的长度,p＝1,…M,q＝1,…M。

计算点信号w₁与所有点信号(w₁,w₂,...,w_M)的相关系数组成行向量(r₁₁,r₁₂,...,r_1M)；

计算点信号w₂与所有点信号(w₁,w₂,...,w_M)的相关系数组成行向量

……

计算点信号w_M与所有点信号(w₁,w₂,...,w_M)的相关系数组成行向量(r_M1,r_M2,...,r_MM)

步骤七：将相关系数r_pq组成二维矩阵，并画出相关系数谱图r(x,y)；对相关系数谱图r(x,y)进行去背景处理和目标膨胀处理，得到处理后的相关系数谱图P^*(x,y)，根据相关系数谱图P^*(x,y)分离辨识出不同人体目标。

相关系数谱图r(x,y)为一个M×M的二维矩阵(x＝1,2,…M，y＝1,2,…M)，为了更加清楚地识别出目标，本发明对相关系数谱图进行了去背景处理和目标膨胀处理。

以目标的准确识别为原则，根据大量的实验结果，确定阈值为0.75，对二维矩阵中所有相关系数值小于阈值0.75的值置零，保留二维矩阵中剩余点的值，得到去背景处理后的二维谱图P(x,y)，从而减少背景对目标识别的影响，将目标点凸显处理。

去背景处理后，部分目标点出现分散不连贯的情况，因此需要对目标点进行膨胀处理，实现过程如下：

定义滑窗矩阵A为4×4的全1矩阵，用滑窗矩阵A遍历二维谱图P(x,y)中的点P(i,j)，进行膨胀处理，即：

$P^{*}(x,y)=\frac{1}{H}\underset{y\≤j\≤y+3}{\underset{x\≤i\≤x+3}{\mathrm{\Σ}}}P(i,j),(1\≤x\≤M-3,1\≤y\≤M-3)---\left(23\right)$

其中，H为P(i,j)(x≤i≤x-3,y≤j≤y-3)中大于阈值0.75的值的个数，经过膨胀处理可以使目标点图像周围离散部分联通起来，使目标区域更加凸显容易识别。

正常成年人体目标的胸腔厚度约为25cm，所以在每个目标附近的距离向上25cm厚度范围内目标自身呼吸信号的相关系数高。因为目标与其他目标的呼吸频率不同，且慢时间上呼吸幅度、节律等随时间变化情况也不同，因此即使距离较近，属于不同目标处的点信号相关系数不高，而目标与背景噪声的相关系数也较低，我们利用这一特点可以有效分离辨识出不同人体目标。

实施例1：

探测时窗为40ns，即探测距离为0-6米，探测场景为穿透30cm厚红砖墙探测三个静止站立的人体目标，三个目标分别距离雷达3.0米、3.8米、5.0米。图7分别为预处理后的信号、距离向能量谱信号、相关系数谱图和去背景并膨胀处理后的相关系数谱图。在本次探测实验中，由于处于3.0米远和3.8米远的第一、二个目标能量较大，导致通过能量谱信号无法识别目标三而造成漏判。由于相关系数谱图是基于不同距离处点信号的相关系数组成，其像素具有归一化特征(相关系数为-1到+1)，各目标只有与自身点信号的相关系数高，而与其他目标或背景噪声的相关性低，因此，通过相关系数谱图则可以清楚地分离辨识出三个目标，他们分别处于3.0米、3.8米和5.0米处，与目标的实际位置相符。

实施例2：

探测场景同实施例1，三个目标分别距离雷达3.0米、3.8米、5.0米。图8分别为预处理后的信号、距离向能量谱信号、相关系数谱图和去背景并膨胀处理后的相关系数谱图。在本次探测实验中，由于处于3.0米和3.8米远的第一、二个目标距离较近，且第一、第三个目标能量较大，导致通过能量谱信号无法识别目标二而造成漏判。而通过去背景处理和膨胀处理后的相关系数谱图则可以清楚地分离辨识出三个目标，他们分别处于3.0米、3.8米和5.0米处，与目标的实际位置相符。

除此以外，我们还针对不同距离的双、三目标采集了大量数据，分别采用基于能量谱方法和基于相关系数的方法进行了目标分离辨识，通过对比可以看出本发明采用的基于相关系数的多目标距离向分离辨识技术优于目前采用的基于能量谱的分离辨识方法，可以有效减少目标漏判，大大提高了多目标分离辨识准确率。

Claims (8)

1.一种UWB冲击生物雷达多人体目标距离向分离辨识方法，其特征在于，包括以下步骤：

步骤一，UWB冲击生物雷达的发射天线发射雷达脉冲，雷达脉冲被人体目标反射，再通过UWB冲击生物雷达的接收天线接收到被人体目标反射后的雷达脉冲，即雷达回波信号r(n,m)；

步骤二，对步骤一得到的雷达回波信号r(n,m)进行基于道信号的平滑滤波，得到处理后的信号x(n,m)；

步骤三,对信号x(n,m)进行基于点信号的平滑滤波，得到处理后的信号y(n,m)；

步骤四，对信号y(n,m)进行去除慢漂移操作，得到信号k(n,m)，对信号k(n,m)进行去除静态杂波操作，得到信号s(n,m)；

步骤五，对信号s(n,m)进行基于点信号的高频干扰去除，得到信号W＝(w₁,w₂,...,w_i...,w_M)，w_i为点信号向量；

步骤六，计算各点信号w_i(i＝1,2,...,M)之间的相关系数r_pq；

步骤七，将相关系数r_pq组成二维矩阵，并画出相关系数谱图r(x,y)；对相关系数谱图r(x,y)进行去背景处理和目标膨胀处理，得到处理后的相关系数谱图P^*(x,y)，根据相关系数谱图P^*(x,y)分离辨识出不同人体目标。

2.如权利要求1所述的UWB冲击生物雷达多人体目标距离向分离辨识方法，其特征在于，所述步骤一中进行雷达脉冲的发射和接收时，建立人体目标呼吸信号探测数学模型：

d(t)＝d₀+g(t)＝d₀+Δ_bg_n(t)

其中，g(t)表示人体目标胸腔表面有规律的位移，Δ_b表示呼吸幅度，g_n(t)表示归一化后的g(t)，d₀表示UWB冲击生物雷达与人体目标间的固定距离；

UWB冲击生物雷达接受到雷达回波信号表示为雷达在该通道的脉冲响应总和，即：

$r(t,\mathrm{\τ})=\underset{i}{\Σ}{A}_{i}p(\mathrm{\τ}-{\mathrm{\τ}}_i)+Ap(\mathrm{\τ}-{\mathrm{\τ}}_d(t\left)\right)$

其中，A_i表示探测环境中固定物体引起的脉冲幅度，A表示人体目标呼吸所引起的脉冲幅度，i表示快时间采样序数，p(t)是归一化后由接收天线接收的脉冲函数，t和τ分别表示慢时间与快时间，A_ip(τ-τ_i)表示背景成分，Ap(τ-τ_d(t))表示人体目标呼吸成分，τ_d(t)代表由呼吸引起的人体目标与雷达间距离在快时间方向上的变化；

τ_d(t)由以下公式表示：

${\mathrm{\τ}}_d\left(t\right)=\frac{d\left(t\right)}{c}=\frac{d_0+{\mathrm{\Δ}}_b{g}_n\left(t\right)}{c}={\mathrm{\τ}}_0+{\mathrm{\τ}}_b{g}_n\left(t\right)$

其中，c代表光速，τ_b是呼吸运动在快时间方向上的位移，τ₀＝d₀/c；

雷达回波信号r(n,m)由以下公式表示：

$r(n,m)=\underset{i}{\Σ}{A}_{i}p({\mathrm{mT}}_f-{\mathrm{\τ}}_i)+Ap({\mathrm{mT}}_f-{\mathrm{\τ}}_d({\mathrm{nT}}_s\left)\right)$

其中，n为点信号的序数，m为道信号的序数，T_s为连续两个脉冲波形间的时间间隔，T_f为沿快时间方向的采样间隔。

3.如权利要求1所述的UWB冲击生物雷达多人体目标距离向分离辨识方法，其特征在于，所述步骤二中的对步骤一得到的雷达回波信号进行基于道信号的平滑滤波，得到处理后的信号x(n,m)，其中，基于道信号的平滑滤波采用以下公式：

$x(n,m)=\frac{1}{M_{ss}}\underset{i=m}{\overset{m+M_{ss}-1}{\Σ}}r(n,i)$

其中，M_ss为滤波器阶数，n为点信号的序数，m为道信号的序数。

4.如权利要求1所述的UWB冲击生物雷达多人体目标距离向分离辨识方法，其特征在于，所述步骤三中的对信号x(n,m)进行基于点信号的平滑滤波，得到处理后的信号y(n,m)，其中，基于点信号的平滑滤波采用以下公式：

$y(n,m)=\frac{1}{N_{fs}}\underset{i=n}{\overset{n+N_{fs}-1}{\Σ}}x(i,m)$

其中，N_fs为滤波器阶数。

5.如权利要求1所述的UWB冲击生物雷达多人体目标距离向分离辨识方法，其特征在于，所述步骤四中的对信号y(n,m)进行去除慢漂移操作，得到信号k(n,m)，其中，去除慢漂移操作采用以下公式：

$k(n,m)=y(n,m)-\frac{1}{N_w}\underset{i=n}{\overset{n+N_w-1}{\Σ}}y(i,m)$

其中，N_w表示窗宽。

6.如权利要求1所述的UWB冲击生物雷达多人体目标距离向分离辨识方法，其特征在于，所述步骤四中的对信号k(n,m)进行去除静态杂波操作，得到信号s(n,m)，其中，去除静态杂波采用以下公式：

$s(n,m)=k(n,m)-\frac{1}{N-N_w+1}\underset{i=1}{\overset{N-N_w+1}{\Σ}}k(i,m)$

其中，N表示点信号的长度。

7.如权利要求1所述的UWB冲击生物雷达多人体目标距离向分离辨识方法，其特征在于，所述步骤五中的对信号s(n,m)在慢时间方向上进行高频干扰去除，得到信号W＝(w₁,w₂,...,w_i...,w_M)，具体包括以下步骤：

$u(n,m)=\underset{k=0}{\overset{159}{\Σ}}{h}_k\·s\[(n+k),m\]$

其中，h_k为数字滤波器的系数；

信号u(n,m)由矩阵W表示，即：

W＝(w₁,w₂,...,w_i...,w_M)

其中，w_i＝u(n,i)…(i＝1,2,...,M)是点信号向量，M为点信号向量的个数。

8.如权利要求7所述的UWB冲击生物雷达多人体目标距离向分离辨识方法，其特征在于，所述步骤七中的对相关系数谱图r(x,y)进行去背景处理和目标膨胀处理，得到处理后的相关系数谱图P^*(x,y)，具体包括以下步骤：

对相关系数谱图r(x,y)进行去背景处理，即：设定阈值，若相关系数谱图r(x,y)中的某个相关系数值小于阈值，则将该值置为零，保留大于阈值的相关系数值，得到去背景处理后的二维谱图P(x,y)；

对二维谱图P(x,y)中的点P(i,j)采用滑窗矩阵A进行遍历，即：

$P^{*}(x,y)=\frac{1}{H}\underset{y\≤j\≤y+3}{\underset{x\≤i\≤x+3}{\Σ}}P(i,j),(1\≤x\≤M-3,1\≤y\≤M-3)$

其中，H为P(i,j)(x≤i≤x-3,y≤j≤y-3)中大于阈值的值的个数，M为点信号向量的个数。